ANALISIS INDEKS KEKERINGAN DI DAS ROKAN PROVINSI RIAU … · Sejarah penggunaan komputer untuk pemetaan dan analisis spasial menunjukkan adanya perkembangan bersifat paralel dalam

Jurnal Rab Construction Research

Volume 1, No 2, Desember 2016

33

ANALISIS INDEKS KEKERINGAN DI DAS ROKAN

PROVINSI RIAU MENGGUNAKAN DATA CFSR

Novreta Ersyi Darfia1) M. Syahril Badri Kusuma2) Arno Adi Kuntoro3)

1) Teknik Sipil Universitas Abdurrab

Jl. Riau Ujung No. 73, Pekanbaru Indonesia

Email : [email protected] 2) Institut Teknologi Bandung

Jl. Ganesha No. 10 Bandung Indonesia 3) Institut Teknologi Bandung

Jl. Ganesha No. 10 Bandung Indonesia

ABSTRACT

One of important component of the national drought strategy is a comprehensive

drought monitoring system that can provide a warning at the early and the end stage

of the drought, determine the severity level, and disseminate the drought information

to various sectors. Due to the drought issues, this research is aimed to analyze the

drought index on the Rokan Watershed, Riau Province. Drought index were analyzed

using two methods, i.e. KBDI (Keetch-Byram Drought Index) and SPI (Standardized

Precipitation Index). Due to the limited data from existing observation stations on the

Rokan watershed, this research was using the data from the Climate Forecast System

Reanalysis (CFSR) of the The National Centers for Environmental Prediction (NCEP).

The CFSR rainfall data were corrected before the data were used. KBDI and SPI

methods were used to analyze the spatial and temporal drought that occurred on the

Rokan watershed. The relationship between distributions of the drought and hotspot

was shown better relationship by the KBDI method compared with SPI method.

Keywords: Rokan watershed, rainfall data correction, drought index, CSFR

mailto:[email protected]

Ersyi Darfia, N., Badri Kusuma, M.S., dan Adi Kuntoro, A.

121

ABSTRAK

Salah satu komponen penting dari strategi kekeringan nasional adalah sistem

pemantauan kekeringan secara komprehensif yang dapat memberi peringatan pada

awal dan berakhirnya kekeringan, menentukan tingkat keparahan, dan

menyebarluaskan informasi pada berbagai sektor. Dilatarbelakangi oleh hal tersebut,

maka pada penelitian ini dilakukan analisis indeks kekeringan pada DAS Rokan

Provinsi Riau. Indeks kekeringan dianalisis dengan menggunakan dua metode yaitu

KBDI (Keetch-Byram Drought Index) dan SPI (Standardized Precipitation Index).

Karena keterbatasan data dari stasiun observasi yang ada pada DAS Rokan, maka pada

penelitian ini digunakan data dari Climate Forecast System Reanalysis (CFSR) dari

The National Centers for Environmental Prediction (NCEP). Data hujan CFSR

tersebut dikoreksi terlebih dahulu sebelum digunakan. Metode KBDI dan SPI dapat

digunakan untuk menganalisis secara spasial dan temporal kekeringan yang terjadi

pada DAS Rokan. Hubungan antara sebaran kekeringan dan sebaran hotspot

diperlihatkan dengan lebih baik melalui metode KBDI dibandingkan dengan metode

SPI.

Kata kunci : DAS Rokan, koreksi data hujan, indeks kekeringan, CSFR

1. Pendahuluan

Kekeringan merupakan fenomena yang sering terjadi dan menimbulkan bencana

di berbagai daerah di Indonesia. Kekeringan berhubungan dengan keseimbangan

antara kebutuhan dan pasokan air untuk berbagai keperluan. Dampak kekeringan

terjadi pada berbagai sektor terutama pertanian, perkebunan, kehutanan, sumberdaya

air, dan lingkungan.

Laporan Intergovernmental Panel on Climate Change [1] menyatakan bahwa

dunia semakin rawan terhadap kekeringan dalam 25 tahun terakhir, dan proyeksi iklim

menunjukkan bahwa hal ini akan semakin parah pada masa mendatang. Hal ini akan

memberikan dampak yang besar terutama untuk negara berkembang. Salah satu

komponen penting dari strategi kekeringan nasional adalah sistem pemantauan

kekeringan secara komprehensif yang dapat memberi peringatan pada awal dan

berakhirnya kekeringan, menentukan tingkat keparahan, dan menyebarluaskan

informasi pada berbagai sektor.

Tingkat kekeringan suatu daerah dapat diketahui dengan menghitung indeks

kekeringannya. Indeks kekeringan merupakan suatu perangkat utama untuk

mendeteksi, memantau, dan mengevaluasi kejadian kekeringan karena indeks

kekeringan dapat menyederhanakan keterkaitan kompleks antara parameter iklim dan

parameter lainnya. Indeks membuat informasi tentang anomali iklim lebih mudah

untuk disampaikan kepada khalayak pengguna yang beragam dan memungkinkan para

ilmuwan untuk menilai secara kuantitatif anomali iklim dalam hal intensitas, durasi,

tingkat spasial, dan frekuensi [2].

Dampak kekeringan, selain berkurangnya ketersediaan dan pasokan air, juga

penurunan produksi pangan, dan kebakaran lahan/hutan. Kekeringan memberikan

peluang terhadap terjadinya kebakaran hutan yang cukup serius di berbagai kawasan

hutan di Indonesia. Walaupun kebakaran hutan dan lahan lebih banyak disebabkan

Analisis Indeks Kekeringan Di Das Rokan Provinsi Riau Menggunakan Data CFSR

122 | RACIC – JURNAL TEKNIK SIPIL ABDURRAB

oleh kegiatan manusia, tetapi berdasarkan pengalaman, kebakaran menjadi lebih buruk

ketika terjadi kemarau panjang atau saat El-Nino muncul.

Provinsi Riau merupakan salah satu provinsi yang rawan kebakaran di Indonesia

yang mengalami kejadian kebakaran hutan dan lahan setiap tahunnya. Kerusakan

hutan di Riau merupakan yang paling menjadi sorotan di Indonesia bahkan dunia.

Berdasarkan deteksi Satelit NOAA 18 Tahun 2013, terlihat bahwa Provinsi Riau

memiliki titik hotspot yang lebih besar dibandingkan provinsi lain di Indonesia. Setiap

tahunnya Riau menghasilkan kabut yang disebabkan kebakaran hutan dan lahan.

Beberapa studi terdahulu terkait dengan studi kali ini telah dilakukan antara lain

oleh Anzar [2] dan Levina [3]. Hasil dari penelitian Anzar [2] antara lain analisis

spasial indeks kekeringan SPI-1, SPI-3, dan PDSI untuk wilayah Citarum dapat

menggambarkan tingkat kekeringan dan sebaran dari kekeringan yang terjadi di setiap

daerah dan dapat merepresentasikan luasan kekeringan untuk masing-masing wilayah.

PDSI memberikan hasil yang lebih baik untuk mengevaluasi kekeringan yang terjadi

jika dibandingkan dengan indeks SPI, berdasarkan hasil komparasi debit. Sementara

hasil penelitian Levina [3] menunjukkan bahwa dengan mengoreksi nilai SPI maka

rata-rata selisih nilai SPI, RMSE, dan koefisien korelasi jauh lebih baik dibandingkan

sebelum dikoreksi dan data satelit TRMM dapat digunakan dalam analisa kekeringan

dengan dilakukan koreksi terhadap indeks kekeringannya langsung.

Penelitian ini melakukan analisis spasial dan temporal indeks kekeringan DAS

Rokan yang berada di Provinsi Riau untuk mengetahui wilayah-wilayah mana saja

yang terjadi kekeringan. Dengan pembangunan model spasial diharapkan mampu

menggambarkan sebaran kekeringan serta tingkat kerawanan maupun resiko

terjadinya kebakaran hutan dan lahan sehingga informasi tersebut dapat menjadi

masukan bagi pengambilan kebijakan dalam upaya menyusun rencana pencegahan

kebakaran hutan dan lahan dari sudut pandang spasial baik di tingkat provinsi,

kabupaten, kecamatan, hingga desa.

2. Tinjauan Pustaka

2.1 Definisi Kekeringan

Kekeringan adalah kekurangan curah hujan dari biasanya atau kondisi normal bila

terjadi berkepanjangan sampai mencapai satu musim atau lebih panjang akan

mengakibatkan ketidakmampuan memenuhi kebutuhan air yang dicanangkan. Hal ini

akan menimbulkan dampak terhadap ekonomi, sosial, dan lingkungan alam. Setiap

kekeringan berbeda dalam intensitas, lama, dan sebaran ruangnya.

2.2 Indeks Kekeringan

Indeks kekeringan merupakan suatu perangkat utama untuk mendeteksi,

memantau, dan mengevaluasi kejadian kekeringan. Kekeringan memiliki karakter

multi-disiplin yang membuat tidak adanya sebuah definisi yang dapat diterima oleh

semua pihak di dunia. Demikian pula tidak ada sebuah indeks kekeringan yang berlaku

universal [4].


123

Perlunya mengembangkan indeks kekeringan adalah:

a. secara ilmiah diperlukan indikator untuk mendeteksi, memantau, dan

mengevaluasi kejadian kekeringan

b. perkembangan teknologi pengambilan data dan metodologi analisis juga

memberikan arah baru pengembangan indeks

c. kebutuhan para pemangku kepentingan untuk pelaksanaan alokasi air di lapangan

2.3 Keetch-Byram Drought Index (KBDI)

Indeks kekeringan adalah jumlah yang mewakili pengaruh bersih (net)

evapotranspirasi dan presipitasi dalam menghasilkan defisiensi kelembaban kumulatif

pada serasah tebal atau lapisan tanah bagian atas. Indeks kekeringan merupakan

jumlah yang berkaitan dengan daya nyala (flammability) bahan-bahan organik pada

tanah [5].

KBDI hari ini = (Σ KBDI kemarin- (10*CH) + DF hari ini) (1)

Dimana:

CH = Curah Hujan Bersih

DF = Faktor kekeringan yang telah dimodifikasi dan dapat digunakan untuk

perkiraan bahaya kebakaran adalah, dengan formulasi sebagai berikut:

DF =(2000-𝑌𝐾𝐵𝐷𝐼) x (0.9676 x EXP(0.0875 x Tmax+ 1.552)- 8.229) x 0.001

(1+10.88 x EXP(-0.00175 x Annual)) (2)

Dimana:

YKBDI = Indeks kekeringan kemarin

Tmax = Suhu maksimum (0C)

Annual = Rata-rata curah hujan tahunan (mm)

Tabel 1. Klasifikasi skala nilai KBDI [4]

Nilai KBDI Kategori

0 - 999 Rendah

1000 - 1499 Sedang

1500 - 1749 Tinggi

1750 - 2000 Ekstrim

2.4 Standardized Precipitation Index (SPI)

Standardized Precipitation Index (SPI) merupakan indeks kekeringan yang

banyak digunakan untuk mengkarakterisasi kekeringan meteorologis, yang

dikembangkan oleh McKee et al [6]. Metode ini merupakan metode yang mengukur

kekurangan/defisit curah hujan pada berbagai skala waktu berdasarkan kondisi

normalnya. Pada rentang waktu yang singkat, SPI berkaitan erat dengan kelembaban

tanah, sementara pada rentang waktu yang lebih panjang, SPI dapat dihubungkan

dengan air tanah dan waduk. SPI dapat diterapkan di berbagai daerah dengan iklim

yang sangat berbeda. Indeks ini mengkuantifikasi curah hujan sebagai data awal.



𝑍𝑖𝑗 =𝑋𝑖𝑗−𝑋(𝑟𝑡)𝑗

𝜎𝑗 (3)

Dimana:

Zij = nilai SPI tahun ke i bulan ke j

Xij = hujan bulanan tahun ke i bulan ke j

X(rt)j = hujan rata-rata bulan j

σj = simpangan baku bulan j

Tabel 2. Klasifikasi skala nilai SPI [6]

Nilai SPI Kategori

≥ 2.00 Ekstrim Basah

1.50 - 1.99 Sangat Basah

1.00 - 1.49 Basah

-0.99 - 0.99 Normal

-1.00 - -1.49 Kering

-1.5 - -1.99 Sangat Kering

≤ -2.00 Ekstrim Kering

2.5 Data Climate Forecast System Reanalysis (CFSR)

Data curah hujan merupakan salah satu data masukan dalam analisis sumberdaya

air. Penyediaan data curah hujan dan data cuaca biasanya disediakan oleh Badan

Meteorologi, Klimatologi, dan Geofisika (BMKG) yang diperoleh dari titik

pengamatan secara langsung, atau dengan mendirikan stasiun cuaca sendiri. Namun,

jika dua data tersebut tidak tersedia maka perlu dicari data alternatif yang mampu

menggantikannya.

Data satelit lain yang bisa dimanfaatkan adalah data dari Climate Forecast System

Reanalysis (CFSR) dari The National Centers for Environmental Prediction (NCEP).

Data yang tersedia disini mulai dari tahun 1979 hingga sekarang yang berarti 38 tahun.

Data CFSR dirancang dan dilaksanakan sebagai data global, beresolusi tinggi,

menggabungkan sistem atmosfer-samudra-darat dan permukaan laut untuk

mendapatkan perkiraan terbaik dari keadaan sebenarnya selama ini.

Analisis awal dari output CFSR menunjukkan bahwa produk ini jauh lebih unggul

dalam banyak hal dibandingkan dengan produk lain dari pertengahan 1990-an. Produk

NCEP sebelumnya telah menjadi salah satu produk NCEP yang paling banyak

digunakan di dalam sejarah. Ada banyak alasan untuk percaya bahwa CFSR akan

menggantikan produk-produk yang lebih tua baik dalam lingkup dan kualitas, karena

memiliki resolusi waktu dan resolusi ruang yang lebih tinggi, meliputi atmosfer,

samudra, laut, dan permukaan, dan dieksekusi dalam mode penggabungan dengan

asimilasi sistem yang lebih modern dan model prakiraan.


125

2.6 Sistem Informasi Geografis

Sistem Informasi Geografis atau geographic information system (GIS) adalah

suatu kumpulan terorganisasi yang terdiri dari perangkat keras, perangkat lunak, data

geografis, dan personil yang didesain untuk memperoleh, menyimpan, memperbaiki,

memanipulasi, menganalisis, dan menampilkan semua bentuk informasi yang

bereferensi geografis [7]. Lebih lanjut Arronof [8] juga mengatakan GIS sebagai

sebuah sistem komputerisasi yang memfasilitasi fase entri data, analisis data, dan

presentasi data yang terutama berkenaan dengan data yang memiliki georeferensi.

Sejarah penggunaan komputer untuk pemetaan dan analisis spasial menunjukkan

adanya perkembangan bersifat paralel dalam pengambilan data secara otomatis,

analisis data, dan presentasi pada bagian bidang terkait seperti pemetaan kadastral dan

topografi, kartografi tematik, teknik sipil, geografi, studi matematika dan variasi

spasial, ilmu tanah, survei dan fotogrametri, perencanaan pedesaan dan perkotaan,

utility network, dan penginderaan jauh serta analisis citra [9].

3. Metodologi Penelitian

Terdapat dua analisis utama yang dilakukan pada penelitian ini, yaitu analisis

koreksi data hujan yang didapat dari Climate Forecast System Reanalysis (CFSR) dari

The National Centers for Environmental Prediction (NCEP), dan analisis indeks

kekeringan secara spasial dan temporal. Data hujan yang didapat dari CFSR dianalisa

dan dikoreksi untuk mengupayakan agar nilainya sama atau mendekati nilai hujan dari

stasiun observasi. Hasil perhitungan analisis ini akan menjadi data yang digunakan

pada analisis indeks kekeringan. Hasil perhitungan dan penggambaran pada analisis

indeks kekeringan spasial temporal akan digambarkan untuk dapat melihat sebaran

kekeringan yang ada di DAS Rokan.

3.1 Pengumpulan Data

Data yang digunakan antara lain:

a. Data koordinat stasiun hujan dan klimatologi.

b. Data tutupan lahan.

c. Data curah hujan dan klimatologi stasiun observasi.

d. Data curah hujan dan klimatologi stasiun CFSR.

(a) (b)

Gambar 1. (a) Lokasi penelitian; dan (b) Tutupan lahan



3.2 Analisis Spasial Data

Untuk mempermudah penyajian peta distribusi, lokasi daerah penelitian dibagi

menjadi grid-grid yang berbentuk kotak. Grid yang digunakan berukuran 2 km x 2 km.

Total jumlah grid pada lokasi penelitian adalah 3617 grid. Metode interpolasi yang

digunakan adalah metode kriging. Grid pada lokasi penelitian disajikan pada Gambar

2.

Gambar 2. Grid pada lokasi penelitian

3.3 Analisis Faktor Koreksi Data Hujan CFSR

3.3.1. Koreksi Data dengan Metode Persamaan Linear

Y = Ax + B (4)

Dimana:

Y = rasio curah hujan koreksi

A dan B = faktor koreksi

X = rasio curah hujan yang akan dikoreksi

3.3.2. Koreksi Data dengan Metode Probability Density Function (PDF)

Faktor koreksi ini merupakan suatu metode yang memaksa distribusi

probabilitas dari data historis simulasi untuk cocok terhadap distribusi observasinya.

Skema koreksi menghasilkan perbaikan/koreksi pada semua titik data, khususnya pada

nilai-nilai ekstrim.


127

Gambar 3. Grafik PDF

3.3.3. Koreksi Data dengan Metode Distribution Transformation

Faktor koreksi untuk nilai rata-rata dan standar deviasi ditentukan dengan

persamaan berikut:

𝜇𝑓 =𝜇𝑂𝐵𝑆

𝜇𝑆𝑅𝐸 (5)

𝜏𝑓 =𝜏𝑂𝐵𝑆

𝜏𝑆𝑅𝐸 (6)

𝑆𝑅𝐸𝑐 = (𝑆𝑅𝐸𝑜 − 𝜇𝑆𝑅𝐸). 𝜏𝑓 + 𝜇𝑆𝑅𝐸 . 𝜇𝑓 (7)

Dimana:

µf = faktor koreksi untuk nilai rata-rata

µOBS = nilai rata-rata OBS dari stasiun observasi

µSRE = nilai rata-rata SRE dari stasiun SRE

τf = faktor koreksi untuk nilai standar deviasi

τOBS = nilai standar deviasi OBS dari stasiun observasi

τSRE = nilai standar deviasi SRE dari stasiun SRE

SREc = SRE terkoreksi

SREo = SRE yang akan dikoreksi

3.4 Analisis Indeks Kekeringan

3.4.1. Keetch Byram Drought Index (KBDI)

Untuk menghitung KBDI diperlukan beberapa data yaitu:

a. Data curah hujan rata-rata tahunan

b. Curah hujan harian

c. Temperatur harian maksimum

Persamaan yang digunakan dalam KBDI ini adalah Persamaan (1) dan Persamaan (2).

3.4.2. Standardized Precipitation Index (SPI)

Metode ini merupakan model untuk mengukur kekurangan/defisit curah hujan

pada berbagai periode berdasarkan kondisi normalnya. Perhitungan nilai SPI

berdasarkan jumlah sebaran gamma yang didefinisikan sebagai fungsi frekuensi atau

peluang kejadian seperti terlihat pada Persamaan (3).

X

pp(X)

X



4. Hasil Penelitian Dan Pembahasan

4.1 Kondisi Curah Hujan dan Suhu di Lokasi Penelitian

Data yang diperlukan dalam menganalisa indeks kekeringan adalah data seri

dengan panjang data yang cukup panjang, yaitu 30 tahun. Ketersediaan data hujan di

stasiun yang ada di DAS Rokan tidak memenuhi kriteria tersebut. Dari 14 stasiun hujan

yang ada, hanya 9 stasiun hujan yang memiliki panjang data 30 tahun (1983-2012).

Data tersebut juga tidak cukup baik karena terdapat kekosongan data/data tidak

tercatat, ada data yang keliru pencatatannya (data yang berulang/sama persis pada

tahun yang berbeda), serta ada pencatatan hujan pada waktu-waktu yang seharusnya

tidak ada pencatatan.

Analisis indeks kekeringan KBDI (Keetch Byram Drought Index), selain

memerlukan data hujan juga memerlukan data suhu. Ketersediaan data klimatologi

pada stasiun di DAS Rokan juga tidak memenuhi kriteria yang disarankan yaitu 30

tahun. Panjang data yang ada hanya 15 tahun (1998-2012).

Dengan demikian diperlukan suatu solusi alternatif untuk mengatasi keterbatasan

data tersebut yaitu dengan memanfaatkan data dari sumber lain, salah satunya data dari

Climate Forecast System Reanalysis (CFSR) dari The National Centers for

Environmental Prediction (NCEP). Data yang tersedia cukup lengkap dengan panjang

data yang cukup panjang (lebih dari 30 tahun), yaitu dari tahun 1979 hingga sekarang.

Agar data dari CFSR dapat digunakan untuk analisis lebih lanjut, maka data CFSR ini

perlu dikoreksi terlebih dahulu. Langkah ini dilakukan untuk mengupayakan agar nilai

data CFSR mendekati nilai data dari stasiun observasi. Dengan demikian diharapkan

agar hasil dari penggunaan data CFSR dapat merepresentasikan kejadian yang

sebenarnya di lokasi penelitian.

Setelah dilakukan analisis untuk mengoreksi data CFSR dengan metode

pendekatan yang berbeda, didapatkan bahwa ketiga metode yang digunakan,

menghasilkan nilai hasil koreksi yang mendekati nilai dari stasiun observasi, akan

tetapi ada juga nilai yang semakin menjauh. Hal ini disebabkan karena variabilitas

curah hujan yang sangat besar sehingga sulit untuk melakukan koreksi, terutama untuk

curah hujan harian. Faktor koreksi yang bisa diaplikasikan pada satu stasiun, belum

tentu cocok untuk diaplikasikan pada stasiun lain. Oleh karena alasan inilah maka data

dari CFSR digunakan langsung dalam analisis indeks kekeringan

4.2 Indeks Kekeringan

4.2.1. Keetch Byram Drought Index (KBDI)


129

Tabel 3. KBDI bulanan Stasiun 30

Tahun / Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober Nopember Desember

1983 109.88 290.82 369.90 604.38 781.11 370.25 187.31 619.74 479.27 132.67

1984 196.35 168.20 207.01 176.46 369.27 710.29 591.86 591.28 774.92 1187.15 317.63 216.27

1985 165.00 417.34 321.01 447.30 742.13 1371.80 1617.89 1197.72 846.89 343.03 194.41 154.49

1986 391.56 150.94 121.77 340.23 778.57 1018.35 1211.99 1389.31 1089.71 357.32 748.33 421.89

1987 234.17 231.33 110.34 83.11 143.91 439.47 1067.57 502.89 890.69 256.92 503.85 280.51

1988 144.35 363.70 147.07 292.12 594.49 1308.29 1001.56 590.52 157.84 987.01 735.36 236.23

1989 144.14 584.53 187.93 568.66 1273.84 1759.64 1525.85 1506.72 1430.71 724.35 302.36 88.39

1990 202.28 110.95 190.77 374.89 630.77 1411.58 1300.97 1383.72 1098.36 351.58 363.24 125.13

1991 243.85 294.17 76.78 206.55 224.12 767.21 1055.96 1201.07 1018.59 165.10 103.16 66.95

1992 168.80 322.77 229.52 456.10 341.42 1209.56 726.93 963.14 1469.70 1313.46 98.39 120.11

1993 198.46 78.40 119.94 157.15 86.16 1021.18 680.64 966.87 407.99 186.59 100.48 390.34

1994 91.02 275.04 232.36 93.22 268.48 826.93 1437.79 1146.52 1500.21 438.78 72.83 202.03

1995 162.07 94.80 136.07 131.16 319.42 411.90 992.96 279.07 940.48 589.42 430.89 450.42

1996 227.84 98.57 107.13 132.72 660.75 490.19 648.68 1330.56 1065.61 607.52 821.13 406.97

1997 445.23 847.31 183.45 76.24 413.91 667.62 1095.60 1639.49 1350.32 445.51 184.97 174.72

1998 106.33 289.94 206.32 279.58 322.67 1252.83 1192.40 491.81 270.49 1294.19 1679.28 1297.88

1999 408.50 179.02 1103.18 1185.57 1300.96 1145.29 1239.96 493.46 278.86 217.10 520.07

2000 191.89 648.79 1185.17 827.97 1287.86 1410.79 1434.30 1172.04 1282.43 736.86 466.51 275.41

2001 234.24 161.66 779.81 429.74 895.82 1410.42 1679.11 1524.76 461.61 931.65 1051.62 579.01

2002 202.51 215.00 261.98 172.24 596.89 878.48 1334.25 1177.52 748.57 296.27 142.99 234.38

2003 165.24 103.15 471.54 127.54 947.03 1340.89 758.81 839.47 945.49 703.52 261.47 120.70

2004 142.07 146.77 489.71 165.27 997.92 1654.31 1325.02 1640.31 753.02 451.08 116.84 113.34

2005 211.78 500.39 717.88 1043.79 892.94 1528.96 1561.50 1590.35 1384.06 437.01 303.30 1079.81

2006 569.69 271.34 587.76 850.38 1091.30 1238.28 1588.15 1496.94 474.54 821.26 102.62 82.65

2007 147.85 398.12 337.34 143.45 813.89 622.35 976.05 769.32 745.17 548.19 594.73 177.72

2008 244.64 406.39 143.80 419.90 1148.87 479.15 346.97 705.10 411.17 220.63 667.54 447.93

2009 264.47 340.04 270.45 368.69 1061.85 1403.81 1346.38 806.56 262.52 687.94 213.64 144.03

2010 86.17 84.86 94.50 253.51 500.83 814.55 523.83 676.49 364.95 805.28 993.35 650.05

2011 87.23 186.25 162.86 216.43 334.97 444.46 912.28 175.69 91.00 271.07 71.73 65.61

2012 307.30 52.30 163.81 88.66 570.72 661.65 210.23 366.84 208.16 144.97 54.49 50.76

Rata-rata 213.45 284.54 284.43 343.90 662.21 1015.34 1069.06 991.08 770.87 573.41 413.12 310.22



Tabel 4. Sifat KBDI bulanan Stasiun 30

Pada tabel perhitungan KBDI di atas, terlihat bahwa pada bulan Juni hingga

September nilai KBDI selalu lebih tinggi dibandingkan dengan bulan-bulan lainnya.

Bulan Juni hingga September merupakan musim kemarau dimana curah hujan lebih

rendah dibandingkan dengan bulan-bulan lainnya.

2. Standardized Precipitation Index (SPI)


1983 Rendah Rendah Rendah Rendah Rendah Rendah Rendah Rendah Rendah Rendah

1984 Rendah Rendah Rendah Rendah Rendah Rendah Rendah Rendah Rendah Sedang Rendah Rendah

1985 Rendah Rendah Rendah Rendah Rendah Sedang Tinggi Sedang Rendah Rendah Rendah Rendah

1986 Rendah Rendah Rendah Rendah Rendah Sedang Sedang Sedang Sedang Rendah Rendah Rendah

1987 Rendah Rendah Rendah Rendah Rendah Rendah Sedang Rendah Rendah Rendah Rendah Rendah

1988 Rendah Rendah Rendah Rendah Rendah Sedang Sedang Rendah Rendah Rendah Rendah Rendah

1989 Rendah Rendah Rendah Rendah Sedang Ekstrim Tinggi Tinggi Sedang Rendah Rendah Rendah

1990 Rendah Rendah Rendah Rendah Rendah Sedang Sedang Sedang Sedang Rendah Rendah Rendah

1991 Rendah Rendah Rendah Rendah Rendah Rendah Sedang Sedang Sedang Rendah Rendah Rendah

1992 Rendah Rendah Rendah Rendah Rendah Sedang Rendah Rendah Sedang Sedang Rendah Rendah

1993 Rendah Rendah Rendah Rendah Rendah Sedang Rendah Rendah Rendah Rendah Rendah Rendah

1994 Rendah Rendah Rendah Rendah Rendah Rendah Sedang Sedang Tinggi Rendah Rendah Rendah

1995 Rendah Rendah Rendah Rendah Rendah Rendah Rendah Rendah Rendah Rendah Rendah Rendah

1996 Rendah Rendah Rendah Rendah Rendah Rendah Rendah Sedang Sedang Rendah Rendah Rendah

1997 Rendah Rendah Rendah Rendah Rendah Rendah Sedang Tinggi Sedang Rendah Rendah Rendah

1998 Rendah Rendah Rendah Rendah Rendah Sedang Sedang Rendah Rendah Sedang Tinggi Sedang

1999 Rendah Rendah Sedang Sedang Sedang Sedang Sedang Rendah Rendah Rendah Rendah

2000 Rendah Rendah Sedang Rendah Sedang Sedang Sedang Sedang Sedang Rendah Rendah Rendah

2001 Rendah Rendah Rendah Rendah Rendah Sedang Tinggi Tinggi Rendah Rendah Sedang Rendah

2002 Rendah Rendah Rendah Rendah Rendah Rendah Sedang Sedang Rendah Rendah Rendah Rendah

2003 Rendah Rendah Rendah Rendah Rendah Sedang Rendah Rendah Rendah Rendah Rendah Rendah

2004 Rendah Rendah Rendah Rendah Rendah Tinggi Sedang Tinggi Rendah Rendah Rendah Rendah

2005 Rendah Rendah Rendah Sedang Rendah Tinggi Tinggi Tinggi Sedang Rendah Rendah Sedang

2006 Rendah Rendah Rendah Rendah Sedang Sedang Tinggi Sedang Rendah Rendah Rendah Rendah


2008 Rendah Rendah Rendah Rendah Sedang Rendah Rendah Rendah Rendah Rendah Rendah Rendah

2009 Rendah Rendah Rendah Rendah Sedang Sedang Sedang Rendah Rendah Rendah Rendah Rendah




Rata-rata Rendah Rendah Rendah Rendah Rendah Sedang Sedang Rendah Rendah Rendah Rendah Rendah


131

Tabel 5. SPI bulanan Stasiun 30


1983 -1.06 -0.71 0.46 -0.50 0.73 0.37 0.85 0.68 0.69 -0.05 -0.75 -0.25

1984 -0.24 0.28 -0.46 0.05 1.13 0.15 1.69 -0.38 -0.97 -0.88 -0.06 -0.50

1985 0.05 -1.32 0.78 -1.02 0.18 -2.00 -0.54 -0.18 0.17 0.26 -0.38 -0.29

1986 -1.05 -0.07 0.50 -0.45 -0.35 0.14 -0.35 -1.04 -0.35 0.25 -1.35 -0.03

1987 -1.04 -0.60 0.91 0.40 1.34 0.56 0.28 0.52 -0.21 0.62 -1.00 -0.26

1988 0.04 -0.89 0.73 0.49 -0.71 0.16 0.06 1.19 1.14 -1.32 -0.07 -0.75

1989 0.44 -0.72 0.42 -1.27 -1.02 -1.50 -1.26 -0.69 -0.56 -0.64 -0.16 0.44

1990 -0.68 0.33 -0.09 -0.72 -0.67 -0.81 0.06 -1.36 -0.12 0.62 -0.74 0.08

1991 -0.48 -0.36 1.99 -0.38 1.51 0.19 -0.87 -0.32 -0.07 0.34 0.27 0.88

1992 -0.42 -0.32 0.59 -0.82 0.24 -1.23 1.83 -1.06 -1.24 -1.05 1.45 0.41

1993 -1.11 2.54 1.48 1.06 2.53 -0.70 1.12 -0.17 0.87 0.51 1.02 -0.03

1994 1.28 -0.59 1.10 0.05 0.33 -0.40 -1.54 0.04 -1.90 0.52 0.70 -0.53

1995 0.02 0.46 -0.11 0.39 1.30 1.57 0.08 1.20 -1.17 -0.18 -0.89 -0.54

1996 -1.10 0.56 0.81 0.47 -0.26 2.24 0.00 -0.03 -1.66 -0.29 -0.44 -0.86

1997 -1.01 -0.96 0.38 1.32 0.75 1.09 -0.69 -1.58 -0.54 0.59 0.34 -0.70

1998 1.79 -0.56 -0.55 -0.16 1.19 -0.57 0.28 1.33 -0.12 -1.66 -1.68 -1.00

1999 0.04 -0.36 -1.82 -0.59 0.44 -1.56 0.12 0.42 0.42 0.00 -1.03

2000 0.24 -1.22 -1.55 -1.20 -1.21 -0.39 -0.57 -0.75 -0.30 -1.00 0.07 0.15

2001 -0.46 0.11 -2.20 0.70 -1.01 -0.78 -0.97 -0.94 1.31 -1.40 -0.86 -0.68

2002 -0.43 -0.01 -0.75 0.21 -0.20 -0.55 0.05 -0.47 0.24 0.15 0.21 -0.02

2003 0.00 0.18 -1.05 0.60 -1.58 0.29 1.12 -0.05 -0.44 -0.66 -0.29 0.18

2004 1.93 0.37 -1.15 0.42 -1.24 -1.59 0.31 -1.46 0.99 0.03 0.69 0.46

2005 0.56 -0.89 -1.34 -1.02 -0.83 -0.93 -0.91 -0.68 -0.91 0.27 -0.66 -1.55

2006 -1.15 1.33 -1.54 -0.73 -0.74 -0.49 -1.27 -0.57 0.06 -0.34 0.41 1.26

2007 1.38 -0.31 -0.33 0.22 -0.33 0.64 0.66 -0.01 -0.39 -0.07 -0.52 0.00

2008 -0.42 -1.02 1.43 -0.80 -0.41 1.53 0.63 0.58 0.55 1.55 -0.91 -0.03

2009 0.13 0.38 -0.29 -0.41 -1.17 0.21 -0.89 1.18 0.69 -0.03 0.24 0.69

2010 1.09 1.02 0.59 0.74 0.34 0.79 1.01 0.94 0.45 -1.04 0.03 -1.12

2011 2.38 -0.15 0.01 3.39 0.86 1.39 -0.71 2.75 3.20 1.01 2.49 2.24

2012 -0.68 3.09 -0.42 0.79 -0.10 0.19 2.09 1.22 0.18 3.45 2.83 3.39



Tabel 6. Sifat SPI bulanan Stasiun 30

Berbeda halnya dengan perhitungan KBDI, perhitungan SPI menghasilkan tujuh

skala sifat yang berbeda. Nilai SPI yang berada di atas nilai normal akan menghasilkan

sifat basah sedangkan nilai SPI yang berada di bawah nilai normal akan menghasilkan

sifat kering. Pada tabel di atas terlihat bahwa sebaran sifat basah dan kering pada

perhitungan SPI ini lebih beragam. Kondisi sangat kering terjadi dari bulan Februari

hingga bulan Desember.

4.3 Analisis Spasial Indeks Kekeringan

(a) (b) (c)

(d) (e) (f)


1983 Kering Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal

1984 Normal Normal Normal Normal Basah Normal Sangat Basah Normal Normal Normal Normal Normal

1985 Normal Kering Normal Kering Normal Ekstrim Kering Normal Normal Normal Normal Normal Normal

1986 Kering Normal Normal Normal Normal Normal Normal Kering Normal Normal Kering Normal

1987 Kering Normal Normal Normal Basah Normal Normal Normal Normal Normal Kering Normal

1988 Normal Normal Normal Normal Normal Normal Normal Basah Basah Kering Normal Normal

1989 Normal Normal Normal Kering Kering Sangat Kering Kering Normal Normal Normal Normal Normal

1990 Normal Normal Normal Normal Normal Normal Normal Kering Normal Normal Normal Normal

1991 Normal Normal Sangat Basah Normal Sangat Basah Normal Normal Normal Normal Normal Normal Normal

1992 Normal Normal Normal Normal Normal Kering Sangat Basah Kering Kering Kering Basah Normal

1993 Kering Ekstrim Basah Basah Basah Ekstrim Basah Normal Basah Normal Normal Normal Basah Normal

1994 Basah Normal Basah Normal Normal Normal Sangat Kering Normal Sangat Kering Normal Normal Normal

1995 Normal Normal Normal Normal Basah Sangat Basah Normal Basah Kering Normal Normal Normal

1996 Kering Normal Normal Normal Normal Ekstrim Basah Normal Normal Sangat Kering Normal Normal Normal

1997 Kering Normal Normal Basah Normal Basah Normal Sangat Kering Normal Normal Normal Normal

1998 Sangat Basah Normal Normal Normal Basah Normal Normal Basah Normal Sangat Kering Sangat Kering Kering

1999 Normal Normal Sangat Kering Normal Normal Sangat Kering Normal Normal Normal Normal Kering

2000 Normal Kering Sangat Kering Kering Kering Normal Normal Normal Normal Kering Normal Normal

2001 Normal Normal Ekstrim Kering Normal Kering Normal Normal Normal Basah Kering Normal Normal

2002 Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal

2003 Normal Normal Kering Normal Sangat Kering Normal Basah Normal Normal Normal Normal Normal

2004 Sangat Basah Normal Kering Normal Kering Sangat Kering Normal Kering Normal Normal Normal Normal

2005 Normal Normal Kering Kering Normal Normal Normal Normal Normal Normal Normal Sangat Kering

2006 Kering Basah Sangat Kering Normal Normal Normal Kering Normal Normal Normal Normal Basah

2007 Basah Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal Normal

2008 Normal Kering Basah Normal Normal Sangat Basah Normal Normal Normal Sangat Basah Normal Normal

2009 Normal Normal Normal Normal Kering Normal Normal Basah Normal Normal Normal Normal

2010 Basah Basah Normal Normal Normal Normal Basah Normal Normal Kering Normal Kering

2011 Ekstrim Basah Normal Normal Ekstrim Basah Normal Basah Normal Ekstrim Basah Ekstrim Basah Basah Ekstrim Basah Ekstrim Basah

2012 Normal Ekstrim Basah Normal Normal Normal Normal Ekstrim Basah Basah Normal Ekstrim Basah Ekstrim Basah Ekstrim Basah


133

(g) (h) (i)

(j) (k) (l)

Gambar 4. KBDI rata-rata bulanan (1983-2012) di lokasi penelitian

(a) Januari, (b) Februari, (c) Maret, (d) April, (e) Mei, (f) Juni, (g) Juli,

(h) Agustus, (i) September, (j) Oktober, (k) November, (l) Desember

Gambar di atas adalah sebaran KBDI rata-rata bulanan dari tahun 1983-2012 di

lokasi penelitian. Dari gambar tersebut terlihat bahwa kekeringan dengan kategori

tinggi dimulai pada bulan Juni dan berakhir di bulan September. Kekeringan dengan

kategori ekstrim terjadi di bulan Juli dan Agustus. Hal ini sesuai dengan kondisi curah

hujan, yaitu pada bulan Juni hingga September merupakan musim kemarau, dimana

curah hujan lebih rendah dibandingkan dengan bulan-bulan lainnya. Pada bulan April

dan Desember, yang merupakan musim hujan, KBDI di seluruh wilayah lokasi

penelitian masuk ke dalam kategori rendah.

5. Kesimpulan

Kesimpulan yang dapat diambil dari analisis yang telah dilakukan antara lain

adalah data dari Climate Forecast System Reanalysis (CFSR) dari The National

Centers for Environmental Prediction (NCEP) dapat digunakan langsung untuk

menganalisa indeks kekeringan tanpa dilakukan koreksi terhadap data dari stasiun

observasi. Metode yang digunakan untuk menganalisa kekeringan secara spasial dan

temporal adalah metode KBDI (Keetch Byram Drought Index) dan SPI (Standardized

Precipitation Index). Hasil analisa menunjukkan bahwa metode KBDI

memperlihatkan sebaran kekeringan pada DAS Rokan lebih baik dibandingkan dengan

metode SPI.

Rendah

Sedang

Tinggi

Ekstrim



6. Saran

Saran yang dapat diberikan untuk penelitian berikutnya adalah data dari Climate

Forecast System Reanalysis (CFSR) dari The National Centers for Environmental

Prediction (NCEP) perlu dikaji lebih lanjut dengan membandingkan hasil

perhitungannya dengan hasil perhitungan dari stasiun observasi. Oleh karena itu

dipilih lokasi yang memiliki data stasiun observasi yang lengkap agar dapat dilihat

bagaimana perbandingannya. Selain itu juga hasil dari analisis indeks kekeringan perlu

dibandingkan dengan keberadaan hotspot dan kejadian kebakaran hutan dan lahan

yang terjadi di lokasi penelitian.

DAFTAR PUSTAKA

[1] Metz, Bert and Ogunlade Davidon. 2007. Fourth Assessment Report of the

Intergovernmental Panel on Climate Change (IPCC). Cambridge University

Press, Cambridge.

[2] Anzar, Lisa Arnita. 2014. Kajian Kehandalan Indeks Kekeringan Berbasis

Parameter Meteorologi terhadap Indeks Kekeringan Berbasis Parameter Hidrologi

(Studi Kasus : DAS Citarum). Tesis, Fakultas Teknik Sipil dan Lingkungan

Institut Teknologi Bandung, Bandung.

[3] Levina. 2014. Kajian Koefisien Korelasi Indeks Kekeringan Berdasarkan Data

Hujan Lapangan dan TRMM : Studi Kasus WS Pemali Comal, Jawa Tengah.

Tesis, Program Studi Pengelolaan Sumber Daya Air, Institut Teknologi Bandung,

Bandung.

[4] Niemeyer, Stefan. 2008. New Drought Indices. Institute for Environment and

Sustainability, Italy.

[5] Keetch, J. J., and G. M. Byram. 1968. A Drought Index for Forest Fire Control.

USDA Forest Service Research Paper SE-38.

[6] McKee, Thomas B, Nolan J and John Kleist. 1993. The Relationship of Drought

Frequency and Duration to Time Scales. Eight Conference on Applied

Climatology, California.

[7] ESRI. 1990. Understanding GIS : The Arc / Info Method Environmental System.

Research Institute, California.

[8] Aronoff, Stan 1989. Geographic Information Systems: A Management

Perspective. WDL Publications, Ottawa, Canada.

[9] Burrough, Peter A and Rachael A McDonnell. 1986. Principles of Geographical

Information Systems. Oxford University Press, Oxford.

Documents

ANALISIS INDEKS KEKERINGAN DI DAS ROKAN PROVINSI RIAU … · Sejarah penggunaan komputer untuk pemetaan dan analisis spasial menunjukkan adanya perkembangan bersifat paralel dalam